长输油气管道大数据挖掘与应用

doi:10.11959/j.issn.2096-3750.2020.00174

物联网学报 ›› 2020, Vol. 4 ›› Issue (3): 112-119.doi: 10.11959/j.issn.2096-3750.2020.00174

• 专题：智慧交通物联网 • 上一篇下一篇

长输油气管道大数据挖掘与应用

于涛¹(),刘丽君²,陈泓君¹,于瑶¹

¹ 中国石油天然气股份有限公司北京油气调控中心，北京 100007
² 北京中油瑞飞信息技术有限责任公司，北京 100007

修回日期:2020-06-30 出版日期:2020-09-30 发布日期:2020-09-07
作者简介:于涛（1982- ），男，山东青岛人，博士，中国石油天然气股份有限公司北京油气调控中心高级工程师，主要研究方向为长输油气管道调控运行管理、数据挖掘分析与应用等|刘丽君（1982- ），女，山东烟台人，北京中油瑞飞信息技术有限责任公司工程师，主要研究方向为长输油气管道信息化、智能化建设|陈泓君（1989- ），女，山东菏泽人，中国石油天然气股份有限公司北京油气调控中心工程师，主要研究方向为长输油气管道调控运行管理、数据分析|于瑶（1989- ），女，吉林松原人，中国石油天然气股份有限公司北京油气调控中心工程师，主要研究方向为长输油气管道安全监控
基金资助:
国家自然科学基金资助项目(51774311)

Big data mining and application of long-distance oil and gas pipeline

Tao YU¹(),Lijun LIU²,Hongjun CHEN¹,Yao YU¹

¹ PetroChina Co.,Ltd.,Beijing Oil ＆Gas Pipeline Control Center,Beijing 100007,China
² Richfit Information Technology Co.,Ltd.,Beijing 100007,China

Revised:2020-06-30 Online:2020-09-30 Published:2020-09-07
Supported by:
The National Natural Science Foundation of China(51774311)

摘要/Abstract

摘要：

针对未来长输油气管道智能化建设的需要，结合油气管道数据采集与监视控制（SCADA,supervisory control and data acquisition）系统及运行参数，对比传统理论方法和大数据挖掘方法的特点，提出了大数据推动管道智能化的研究方向以及管道智能化研究的数字信息化、理论化和智能化3个步骤，建立了管道智能化架构，包括物理层、数据层、数据挖掘层、应用层和用户层共5个层次，并确定以数据挖掘层为架构核心。统计分析、时序性预测和工况识别等应用案例表明，利用大数据挖掘可有效解决实际生产的业务需求，指导未来管道智能化的研究与建设。

关键词: 长输油气管道, 大数据, 智能化

Abstract:

In response to the need of the intelligent construction of the long-distance oil and gas pipeline in the future,combining with the supervisory control and data acquisition (SCADA) system and operating parameters of the oil and gas pipeline,comparing with the characteristics of traditional theoretical methods and big data mining methods,the direction of big data to promote intelligent pipeline and three steps of digital informatization,theorization,and intelligence of the pipeline intelligence research were proposed.The pipeline intelligent architecture was established,which included a physical layer,a data layer,a data mining layer,an application layer,and a user layer.The data mining layer was the core of the architecture.The statistical analysis,time series prediction and working condition identification and other application cases showed that the use of the big data mining could effectively solve the actual production business needs and guide the future pipeline intelligent research and construction.

Key words: long-distance oil and gas pipeline, big data, intelligent

中图分类号:

TE89

于涛,刘丽君,陈泓君,于瑶. 长输油气管道大数据挖掘与应用[J]. 物联网学报, 2020, 4(3): 112-119.

Tao YU,Lijun LIU,Hongjun CHEN,Yao YU. Big data mining and application of long-distance oil and gas pipeline[J]. Chinese Journal on Internet of Things, 2020, 4(3): 112-119.

图/表 12

图1

图2

图3

图4

图5

图6

图7

图8

图9

图10

图11

图12

参考文献 23

[1]	吴军 . 智能时代[M]. 北京: 中信出版社, 2016.
	WU J . The age of intelligence[M]. Beijing: CITIC Press GroupPress, 2016.
[2]	李姐, 倪军, 王安正 . 从大数据到智能制造[M]. 上海: 上海交通大学出版社, 2016.
	LI J , NI J , WANG A Z . From big data to intelligent manufacturing[M]. Shanghai: Shanghai Jiao Tong University PressPress, 2016.
[3]	唐大为, 朱静 . 智能化管道数据采集系统设计思路初探[J]. 价值工程, 2015(5): 220-222.
	TANG D W , ZHU J . Design thought of intelligence pipeline data acquisition system[J]. Value Engineering, 2015(5): 220-222.
[4]	徐善丹 . 关于智能化与数字化长输管道的探讨[J]. 广东化工, 2015,41(11): 121-122.
	XU S D . A discussion about digital and intelligent pipeline[J]. Guangdong Chemical Industry, 2015,41(11): 121-122.
[5]	于达, 熊毅, 朱婷婷 ,等. 输油气管道智能化事故应急体系建设[J]. 油气储运, 2015,34(10): 1038-1042.
	YU D , XIONG Y , ZHU T T ,et al. An intelligent emergency response system for failure of oil and gas pipeline[J]. Oil ＆ Gas Storage and Transportation, 2015,34(10): 1038-1042.
[6]	李杰 . 工业大数据[M]. 北京: 机械工业出版社, 2017.
	LI J . Industrial big data[M]. Beijing: China Machine PressPress, 2017.
[7]	谭伟业 . 浅谈管道数字化与智能化[J]. 中国管理信息化, 2014,17(18): 45-48.
	TAN W Y . Discussion on pipeline digitization and intellectualization[J]. China Management Informationization, 2014,17(18): 45-48.
[8]	杨筱蘅 . 输油管道设计与管理[M]. 东营: 中国石油大学出版社, 2006.
	YANG X H . Design and management of oil pipeline[M]. Dongying: China University of Petroleum PressPress, 2006.
[9]	王海琴 . 含蜡原油热输管道沿程温降计算[J]. 油气储运, 2002,21(7): 9-12.
	WANG H Q . Calculation and analysis of temperature drop along buried hot waxy oil pipeline[J]. Oil ＆ Gas Storage and Transportation, 2002,21(7): 9-12.
[10]	张争伟, 凌霄, 宇波 ,等. 埋地热油管道正常运行的数值模拟研究[J]. 工程热物理学报, 2008,29(8): 1389-1392.
	ZHANG Z W , LING X , YU B ,et al. Numerical simulation study on normal operation of buried hot oil pipeline[J]. Journal of Engineering Thermophysics, 2008,29(8): 1389-1392.
[11]	YU B , LI C , ZHANG Z ,et al. Numerical simulation of a buried hot crude oil pipeline under normal operation[J]. Applied Thermal Engineering, 2008,30(17): 2670-2679.
[12]	张钟俊, 蔡自兴 . 智能控制与智能控制系统[J]. 信息与控制, 1989(5): 30-39.
	ZHANG Z J , CAI Z X . Intelligent control and intelligent control system[J]. Information and Control, 1989(5): 30-39.
[13]	HAN J W , MICHELINE K , JIAN P . 数据挖掘概念与技术[M]. 北京: 机械工业出版社, 2015.
	HAN J W , MICHELINE K , JIAN P . Concept and technology of data mining[M]. Beijing: China Machine PressPress, 2015.
[14]	杨静 . 国内外智能化控制系统发展态势的研究[J]. 装备机械, 2016(1): 59-64.
	YANG J . Research on development trend of intelligent control system at home and abroad[J]. Equipment Machinery, 2016(1): 59-64.
[15]	吴潜 . 大数据背景下石化工业实现智能制造的思考[J]. 化学工业, 2016,34(2): 15-18.
	WU Q . Big data utilization aiming at smarter manufacturing of petrochemical industry[J]. Chemical Industry, 2016,34(2): 15-18.
[16]	贾永英, 刘扬, 王玉洁 ,等. 非牛顿原油层流埋地热油管道沿线温度的确定[J]. 大庆石油学院学报, 2006,30(6): 51-52.
	JIA Y Y , LIU Y , WANG Y J ,et al. Temperature determination of laminar of non-Newtonian crude oil in buried pipelines[J]. Journal of Daqing Petroleum Institute, 2006,30(6): 51-52.
[17]	YU B , LI C , ZHANG Z ,et al. Numerical simulation of a buried hot crude oil pipeline under normal operation[J]. Applied Thermal Engineering, 2008,30(17): 2670-2679.
[18]	胡新辰 . 基于 LSTM 的语义关系分类研究[D]. 哈尔滨:哈尔滨工业大学, 2015.
	HU X C . Research on semantic relation classification based on LSTM[D]. Harbin:Harbin Institute of Technology, 2015.
[19]	ZHAO F , FENG J S , ZHAO J ,et al. Robust LSTM-autoencoders for face de-occlusion in the wild[J]. IEEE Transactions on Image Processing, 2018,27(2): 778-790.
[20]	GERS F A . Learning to forget:continual prediction with LSTM[J]. Neural Computation, 2000,12(10): 2451-2471.
[21]	CHUNG E , PARK J G . Sentence-chain based seq2seq model for corpus expansion[J]. ETRI Journal, 2017,39(4): 455-466.
[22]	乔丽 . 基于 CNN 的工件缺陷检测方法研究及系统设计[D]. 武汉:华中师范大学, 2016.
	QIAO L . Research and system design of workpiece defect detection method based on CNN[D]. Wuhan:Central China Normal University, 2016.
[23]	李鹏辉 . 基于深度学习的油井功图智能识别[D]. 洛阳:河南科技大学, 2015.
	LI P H . Intelligent recognition of oil well power diagram based on deep learning[D]. Luoyang:Henan University of Science and Technology, 2015.

长输油气管道大数据挖掘与应用

Big data mining and application of long-distance oil and gas pipeline

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 23

相关文章 9

Metrics

推荐阅读 0

[1]	宋海鹰,陈志文,邱佰平,匡付华,邓仕钧. 基于物联网和边缘计算的智能化建筑管理系统及应用[J]. 物联网学报, 2020, 4(4): 98-104.
[2]	张瞩熹,田旺,朱少川,刘洪岩,朱熙. 多源异构航班航迹数据流实时融合方法研究[J]. 物联网学报, 2020, 4(3): 60-68.
[3]	郭悦,龙岳,张勋,屈阳. 基于OLAP技术的物联网客户数据平台构建[J]. 物联网学报, 2020, 4(2): 122-128.
[4]	龚淑蕾,李堃,童恩,郭洪德,周毅,王晔,丁飞. 基于蜂窝工业物联网的智能工厂解决方案[J]. 物联网学报, 2019, 3(2): 108-114.
[5]	张秋颖,周乐,唐静瑶,傅洛伊,王新兵. 万物互联：学术数据的互联、挖掘与可视化[J]. 物联网学报, 2018, 2(4): 56-60.
[6]	耶旭立,曾强,刘立宇,苏郁,康萌. 基于信令大数据构建覆盖“端管云”物联网端到端业务保障系统[J]. 物联网学报, 2018, 2(2): 85-93.
[7]	柴天佑,丁进良,徐泉,岳恒. 基于物联网的选矿制造执行系统技术[J]. 物联网学报, 2018, 2(1): 1-16.
[8]	余辰,张丽娟,金海. 大数据驱动的智能交通系统研究进展与趋势[J]. 物联网学报, 2018, 2(1): 56-63.
[9]	丁恩杰,胡青松. 矿山物联网顶层设计思路[J]. 物联网学报, 2018, 2(1): 69-75.